个人信息 姓名：肖理业 邮箱：liyexiao16@xmu.edu.cn |
教育经历 ² 博士 2015年9月—2019年6月 电子科技大学（因成绩优异，获准提前一年毕业） 物理学院 专业：无线电物理 导师：邵维 教授 2015年9月 “学术专长”保送直接攻读博士学位 ² 本科 2011年9月—2015年6月 电子科技大学 物理电子学院 专业：电子信息科学与技术 |
研究经历 ² 2021年7月—至今 厦门大学电子科学与技术学院 “南强青年拔尖人才支持计划” B类 副教授 ² 博士后 “博士后创新人才支持计划（博新计划）” 2019年7月—至今 厦门大学电子科学与技术学院 ² 海外经历 2018年3月—2018年10月 美国杜克大学 联合培养博士 |
科学研究 研究领域 ² 复杂目标电磁散射与逆散射 ² 基于机器学习—生物电磁学的超分辨率成像及应用 ² 基于机器学习的器件、天线与阵列的智能建模和设计 ² 基于机器学习的集成电路计算光刻方法 研究项目 ² 基于机器学习—电磁逆散射的三维高分辨率全脑成像研究，国家自然科学基金青年科学基金（批准号：62001406），2021.01-2023.12，24万元，在研，主持。 ² 基于图像重建的电磁逆散射成像研究，中国博士后科学基金“博士后创新人才支持计划”（批准号：BX20190181），2019.07-2021.07，60万元，在研，主持。 学术兼职和社会服务: IEEE Member，担任《IEEE Transactions on Antennas and Propagation》、《IEEE Transactions on Microwave Theory and Techniques》、《IEEE Antennas and Wireless Propagation Letters》和《IEEE Transactions on Circuits and Systems II: Express Briefs》审稿人。 研究成果 肖理业博士从事电磁场理论、计算电磁学及机器学习等方面的研究：包括非均匀介质电磁散射与逆散射、基于机器学习—电磁逆散射的全脑超分辨率成像与异常体检测、基于机器学习的有限周期阵列、稀疏阵列及相控阵等微波器件的多参数高效建模与设计、基于机器学习的集成电路计算光刻方法等研究，具有丰富的研究经验和优秀的研究成果。系列成果已以第一/通讯作者身份在包括《IEEE Transactions on Antennas and Propagation》、《IEEE Transactions on Microwave Theory and Techniques》和《IEEE Antennas and Wireless Propagation Letters》在内的SCI检索的国际一流期刊发表/接收论文24篇，其中中科院JCR一区论文18篇，JCR二区论文4篇。其中，3篇以第一作者身份发表的论文入选ESI高被引论文和研究热点，是近十年全球工程领域SCI论文被引频次前1%，为当今学术前沿，得到了国内外同行广泛关注与引用。 2019年入选人社部“博士后创新人才支持计划”（全国共400人入选，其中电子科学与技术学科入选14人）；2020年获得国家自然科学基金青年科学基金；2020年获得“博士后创新人才支持计划优秀创新成果”（全国共100项）。
|
获得奖励 2020年12月 | 获得“博士后创新人才支持计划优秀创新成果”（全国100项） | 2020年12月 | 获得中国电子教育学会2020年度优秀博士学位论文提名奖 | 2018年12月 | 获得“成电杰出学生（研究生）” 全校共10人，电子科技大学最高学生荣誉。 | 2018年11月 | 获得2019届四川省优秀毕业生 |
|
SCI论文列表：
[1] L. Y. Xiao, J. Li, F. Han, M. Zhuang*, Q. H. Liu*, “Super-resolution 3-D microwave imaging of objects with high contrasts by a semijoin extreme learning machine”, IEEE Transactions on Microwave Theory and Techniques, Early access, 2021.
[2] H. J. Hu, L. Y. Xiao*, J.N. Yi, Q. H. Liu, “Nonlinear electromagnetic inversion of damaged experimental data by a receiver approximation machine learning method”, IEEE Antennas and Wireless Propagation Letters, Early access, Apr. 2021.
[3] L. Y. Xiao, W. Shao*, F. L. Jin, B. Z. Wang, Q. H. Liu, “Inverse artificial neural network for multi-objective antenna design”, IEEE Transactions on Antennas and Propagation, Early access, Apr. 2021.
[4] L. Y. Xiao, W. Shao*, F. L. Jin, B. Z. Wang, Q. H. Liu, “Radial basis function neural network with hidden node interconnection scheme for thinned array modeling”, IEEE Antennas and Wireless Propagation Letters, Early access, Nov. 2020.
[5] L. Y. Xiao, J. Li, F. Han*, W. Shao, Q. H. Liu*, “Dual-module NMM-IEM machining learning for fast electromagnetic inversion of inhomogeneous scatterers with high contrasts and large electrical dimensions”, IEEE Transactions on Antennas and Propagation, vol. 68, no. 8, pp. 6245-6255, Aug. 2020.
[6] L. Y. Xiao, F. L. Jin, B. Z. Wang, Q. H. Liu, W. Shao*, “Efficient Inverse Extreme Learning Machine for Parametric Design of Metasurfaces”, IEEE Antennas and Wireless Propagation Letters, vol. 68, no. 4, pp. 1260-1269, Apr. 2020, DOI: 10.1109/LAWP.2020.2986023
[7] L. Y. Xiao, W. Shao*, F. L. Jin, B. Z. Wang,W. Joines, Q. H. Liu, “Semi-supervised radial basis function neural network with an effective sampling strategy”, IEEE Transactions on Microwave Theory and Techniques, vol. 68, no. 4, pp. 1260-1269, Apr. 2020, DOI: 10.1109/TMTT.2019.2955689
[8] L. Y. Xiao, W. Shao*, X. Ding, B. Z. Wang, W. Joines, Q. H. Liu, “Parametric modeling of microwave components based on semi-supervised learning”, IEEE Access, vol. 7, pp.35890-35897, Mar. 2019. DOI: 10.1109/ACCESS.2019.2904765
[9] L. Y. Xiao, W. Shao*, X. Ding, Q. H. Liu, W. Joines, “Multi-grade artificial neural network for the design of finite periodic arrays”, IEEE Transactions on Antennas and Propagation, vol. 67, no. 5, pp. 3109-3116, May 2019. DOI: 10.1109/TAP.2019.2900359
[10] L. Y. Xiao, W. Shao*, X. Ding, B. Z. Wang, “Dynamic adjustment kernel extreme learning machine for microwave component design”, IEEE Transactions on Microwave Theory and Techniques, vol. 66, no. 10, pp. 4452-4461, Oct. 2018. DOI: 10.1109/TMTT.2018.2858787
[11] L. Y. Xiao, W. Shao*, F. L. Jin, B. Z. Wang, “Multi-Parameter modeling with ANN for description of antenna performance”, IEEE Transactions on Antennas and Propagation, vol. 66, no. 7, pp. 3718-3723, Jul. 2018. DOI: 10.1109/TAP.2018.2823775
[12] L. Y. Xiao, W. Shao*, S. B. Shi, B. Z. Wang, “Extreme learning machine with a modified flower pollination algorithm for filter design”, Applied Computational Electromagnetics Society Journal, vol. 33, No. 3, Mar. 2018. WOS:000431376500005
[13] L. Y. Xiao, W. Shao*, Z. X. Yao, S. S. Gao, “Data mining techniques in artificial neural network for UWB antenna design”, Radioengineering, vol. 27, no. 1, pp. 70-78, Apr. 2018. DOI:10.13164/re.2018.0070
[14] L. Y. Xiao, W. Shao*, F. L. Jin, Z. C. Wu, “A self-adaptive kernel extreme learning machine for short-term wind speed forecasting,” Applied Soft Computing Journal, vol. xx, 2020. DOI: 10.1016/j.asoc.2020.106917
[15] L. Y. Xiao, W. Shao*, M. X. Yu, J. Ma, C. J. Jin, “Research and application of a hybrid wavelet neural network model with the improved cuckoo search algorithm for electrical power system forecasting,” Applied Energy, vol. 198, pp. 203-222, Jul. 2017. DOI: 10.1016/j.apenergy.2017.04.039
[16] L. Y. Xiao, F. Qian, W. Shao*, “Multi-step wind speed forecasting based on a hybrid forecasting architecture and an improved bat algorithm,” Energy Conversion and Management, vol. 143, pp. 410-430, Jul. 2017. (ESI highly cited）DOI:10.1016/j.enconman.2017.04.012
[17] L. Y. Xiao, W. Shao*, M. X. Yu, J. Ma, C. J. Jin, “Research and application of a combined model based on multi-objective optimization for electrical load forecasting,” Energy, vol. 119, pp. 1057-1074, Jan. 2017. DOI:10.1016/j.energy.2016.11.035
[18] L. Y. Xiao, W. Shao*, C. Wang, K. Q. Zhang, H. Y. Lu, “Research and application of a hybrid model based on multi-objective optimization for electrical load forecasting,” Applied Energy, vol. 180, pp. 213-233, Oct. 2016.DOI :10.1016/j.apenergy.2016.07.113
[19] L. Y. Xiao, W. Shao*, T. L. Liang, C. Wang, “A combined model based on multiple seasonal patterns and modified firefly algorithm for electrical load forecasting,” Applied Energy, vol. 167, pp. 135-153, Apr. 2016. (ESI highly cited) DOI:10.1016/j.apenergy. 2016.01.050
[20] L. Y. Xiao, J. Z. Wang*, R. Hou, J. Wu, “A combined model based on data preanalysis andweight coefficients optimization for electrical load forecasting,” Energy, vol. 82, pp. 524- 549, Mar. 2015. (ESI highly cited） DOI:10.1016/j.energy.2015.01.063
[21] L. Y. Xiao, J. Z. Wang*, X. S. Yang, L. Y. Xiao, “A hybrid model based on data preprocessing for electrical power forecasting,” International Journal of Electrical Power & Energy Systems, vol. 64, pp. 311-327, Jan. 2015. DOI:10.1016/j.ijepes.2014.07.029
(*通讯作者)
授权专利
肖理业，邵维，喻梦霞. 一种基于神经网络的多参数电磁场建模仿真方法. 中国发明专利，专利号: ZL 2017 1 1145631.2。
